改進粒子群神經網絡在發射機控制器故障診斷中的應用

黨宏社， 劉芳芳， 張 超

(陜西科技大學 電氣與信息工程學院， 陜西 西安 710021)

改進粒子群神經網絡在發射機控制器故障診斷中的應用

黨宏社， 劉芳芳， 張 超

(陜西科技大學 電氣與信息工程學院， 陜西 西安 710021)

針對發射機控制器故障診斷效率低且定位不準確的問題，采用改進粒子群優化的神經網絡及專家系統相結合的故障診斷方法對發射機控制器進行故障診斷.對三塊控制板電路正常及故障時所對應的采集數據分別構造網絡進行訓練，為了提高神經網絡訓練速度和精度，利用改進的粒子群對其進行優化.仿真結果表明，該故障診斷方法可以較好的對發射機控制器進行故障診斷，為發射機控制器故障診斷提供便利.

神經網絡； 改進粒子群； 故障診斷； 專家系統

0 引言

廣播是重要的通訊工具，尤其在遇到網絡、電力中斷等災害時，廣播的重要性尤為突出.廣播發

射機是一種電臺用于將節目信號進行放大、調制并通過無線電波發射出去的設備，發射機控制器作為發射機的重要監控裝置，對發射機的正常運行起著關鍵性的作用.隨著電子技術的快速發展，電子設備的復雜度越來越高，當設備出現故障時難以及時的對故障進行診斷，無法及時排除故障，容易造成巨大的經濟損失[1-5].因此，研究電子設備的故障診斷技術顯得尤為重要，近年來關于故障診斷技術的研究得到了極速的發展，已經涉及到人們生活的方方面面[6-9].

發射機控制器由三塊控制板組成，目前對于控制器的故障診斷主要是以人工為主，效率低且故障定位不準，本文針對人工診斷效率低且定位不準的問題，將基于改進粒子群神經網絡算法應用到發射機控制器故障診斷中，神經網絡具有較強的自學習、自適應特性，經過對網絡的訓練，以及改進粒子群算法對神經網絡的權值和閾值的優化，可以提高網絡的訓練速度及精度，且結合專家系統的優勢可以實現對發射機控制器故障及時準確的診斷[10].控制器出現故障時，專家根據經驗選擇故障范圍，利用訓練好的對應的神經網絡進行診斷，且輸出診斷結果.然后利用專家系統強大的推理能力采用分區推理策略進行推理，輸出故障診斷結果.仿真實驗表明，該方法可以簡單有效的實現發射機控制器的故障診斷.

1 故障診斷系統組成

故障診斷系統組成如圖1所示.系統中人機交互界面提供良好的界面，由于神經網絡具有自適應自學習的能力，借助其優勢，將知識的獲取及更新由神經網絡來實現，將神經網絡優化后的權值和閾值作為專家系統的知識庫進行存儲，推理機則根據知識庫中的知識依據推理策略進行推理并將結果送入人機交互界面顯示，綜合數據庫對診斷的結果數據以及歷史數據進行存儲.

圖1 改進神經網絡故障診斷專家系統

整體診斷思路為：根據故障現象，由專家經驗判斷大致故障范圍，在主控板還是子控板，再根據測量的數據輸入到對應的訓練好神經網絡進行診斷，且將診斷結果輸出到人機界面.

2 改進粒子群算法

2.1 基本粒子群算法

BP神經網絡在訓練時候收斂速度慢，易陷入局部最優，不能達到很好的訓練效果[11]，為了克服這些不足，利用粒子群的收斂快，優化能力強的特點對BP神經網絡進行優化.粒子群算法就是模擬一群鳥尋找食物的過程，每個鳥就是PSO中的粒子，也就是我們需要求解問題的可能解，這些鳥在尋找食物的過程中，不停改變自己在空中飛行的位置與速度，通過追隨當前搜索到的最優值來尋找全局最優，整個搜索過程中涉及到兩個極值，個體極值pbest和全局極值gbest[12].粒子在找到這兩個極值后，根據式(1)和式(2)來更新他們所在的速度和位置[13].

(1)

(2)

式(1)、(2)中:Xi和Vi分別代表為第i個粒子的位置和速度；i=1，2，…，M，M是該群體中粒子的總數；w為慣性權重；k為當前迭代次數；r1、r2是介于(0、1)之間的隨機數；c1和c2是學習因子，為非負常數；在每一維，粒子都有一個最大限制速度Vmax，如果某一維的速度超過設定的Vmax，那么這一維的速度就被限定為Vmax，為防止粒子盲目搜索，一般建議將其位置和速度限制在一定的區間[-Xmax，Xmax]、[-Vmax，Vmax][14].

2.2 改進粒子群算法

如果粒子在尋找位置中找到的不是最優，容易陷入局部最優，無法對其他區域進行搜索，會降低對 BP網絡的優化效果，因此，為了防止這種現象的發生，可以有兩方面的改進.

(1)引入遺傳變異因子.

借鑒遺傳算法的種群變異，防止粒子群在沒有完全進行搜索前達到極值，可以使粒子每次更新后重新初始化，擴寬了粒子的搜索范圍，盡可能達到全局最優[15].假定選擇其中一個粒子的基因為Gij進行變異，方法如式(3)所示.

(3)

式(3)中:f(g)=rand(1-g/gmax)，g，gmax分別是當前和最大迭代次數；Amax，Amin分別是Gij的上界和下界；r是[0，1]間隨機數.

(2)引入收斂因子.

Suganthan的實驗表明：c1和c2為常數時可以得到較好的解，但不一定必須等于2.Clerc引入收斂因子(constriction factor)K來保證收斂性.

(4)

通常取φ為4.1,則K=0.729.實驗表明，與使用慣性權重的PSO算法相比，使用收斂因子的 PSO有更快的收斂速度.

改進粒子群優化神經網絡實現步驟如圖2所示.

圖2 改進粒子群優化步驟流程圖

實現步驟中為了得到最小均方差和，選擇適應度函數為[16]：

(5)

式(5)中:N為訓練樣本數；Oi為第i個樣本的網絡實際輸出值；di為第i個樣本的期望輸出值.

根據式(5)計算種群中粒子在BP神經網絡訓練樣本下的適應度，網絡激勵函數為sigmoid.

3 控制器故障診斷模型的實現

發射機控制器包含三塊電路板，分別是主控板，電源控制板，功放控制板，這里以電源控制板中繼電器驅動電路為例進行診斷，分別采集電路中各器件在正常及其故障時的有效點電壓或電流，并且將采集到的數據進行歸一化處理，然后作為神經網絡的輸入特征向量進行訓練.訓練完成以后則可以選取數據進行測試，進而實現對故障的診斷.改進粒子群神經網絡應用于發射機控制器故障診斷中的過程如圖3所示.

圖3 故障診斷過程圖

3.1 模型訓練

首先，進行故障特征參數提取.繼電器驅動電路如圖4所示.

圖4 繼電器驅動電路圖

本文利用multisim來對電源控制板中繼電器驅動電路進行故障診斷仿真分析，在電路中設置有效檢測點，根據各器件不同狀態所響應的電壓和電流數值的變化來提取特征數據，進而將提取的特征向量在神經網絡中進行訓練.采集到的部分數據如表1所示.

表1 各器件測試點電壓及電流

其次，確定神經網絡結構.所建立的故障診斷模型結構共有3層，分別為輸入層、隱含層和輸出層.

(1)確定輸入層.將表1的數據通過歸一化處理后，組成輸入特征向量T.

(2)確定隱含層.對于隱含層數目的確定，目前還沒有確切的標準來確定隱含層節點數，隱含層節點數選取的過多過少都會使網絡訓練不能達到最優，針對這個問題，目前有兩個公式可以參考[17]：

②n1=log2n，其中n1為隱含層單元數，n為輸入單元數.

本文所設計的BP神經網絡模型有9個輸入節點和8個輸出節點，經過多次試驗，隱含層節點確定為13.

(3)對檢測的設備及器件輸出狀態進行編碼，定義期望輸出如表2所示.

表2 故障診斷模型輸出層定義

最后，仿真分析.在Matlab中編程實現改進粒子群的神經網絡訓練，共采集到發射機控制器的三塊電路板各自對應的數據50組，將采集到的41組作為訓練數據，而剩下的9組則作為測試網絡數據使用.訓練中，粒子群的粒子數為20，最大允許迭

代次數2 000，加速常數c1=c2=1.494 45，最小誤差設定為10-3.經過訓練，由圖5可以看出，改進的粒子群既有較快的收斂速度且沒有快速陷入局部最優，擴大了搜索范圍，提高了神經網絡的訓練性能.

圖5 改進粒子群訓練圖

3.2 控制器故障推理

神經網絡訓練完成后即可用于發射機控制器的故障推理，當神經網絡訓練誤差達到要求時可以轉到專家系統的推理機中進行推理，按照分區推理策略順序進行推理，推理主要依據知識庫中由改進粒子群優化的神經網絡構成的知識進行推理，專家系統可以很好的對結果進行解釋，用于訓練和診斷推理的數據不能重復.

4 仿真結果分析

利用9個樣本對經過訓練的神經網絡進行測試檢驗,其輸出結果如表3所示.

表3 改進粒子群神經網絡的故障診斷結果

由表3的結果可以看出，改進粒子群優化的神經網絡可以較準確的對發射機控制器電路板進行故障診斷.

5 結論

針對人工故障診斷效率低，準確度不高的問題，本文首先對控制板包含的器件特征參數進行分析，提取故障特征，將提取的特征向量作為神經網絡的輸入量，并且利用改進的粒子群對神經網絡進行優化，使其在網絡訓練時不易陷入局部最小值，且提高了訓練速度，將經過訓練的網絡，取測試樣本對其測試，輸出故障診斷結果，結果表明，正確率達到96%，解決了人工故障診斷帶來的問題，有實際應用價值.

[1] 張 琪,侯加林,閆銀發,等.基于虛擬儀器的電路板故障檢測與診斷系統的研究[J].電子測量與儀器學報,2011,25(2):135-140.

[2] 徐建源,張 彬,林 莘,等.能譜熵向量法及粒子群優化的RBF神經網絡在高壓斷路器機械故障診斷中的應用[J].高電壓技術,2012,38(6):1 299-1 306.

[3] 陽同光,蔣新華,付 強.混合蛙跳脊波神經網絡觀測器電機故障診斷研究[J].儀器儀表學報,2013,34(1):193-199.

[4] 高甜容,于 東,岳東峰.基于自適應誤差修正模型的概率神經網絡及其在故障診斷中的應用[J].計算機集成制造系統,2013,19(11):2 824-2 833.

[5] 宋志杰,王 健.模糊聚類和LM算法改進BP神經網絡的變壓器故障診斷[J].高壓電器,2013,49(5):54-59.

[6] 郭文強,夏令君,齊 璐,等.基于DSP的紙機滾動軸承故障診斷[J].陜西科技大學學報(自然科學版),2016,34(1):148-153.

[7] 禹建麗,卞 帥.基于BP神經網絡的變壓器故障診斷模型[J].系統仿真學報,2014,26(6):1 343-1 349.

[8] 陳丹江,葉銀忠.基于多神經網絡的三電平逆變器器件開路故障診斷方法[J].電工技術學報,2013,28(6):120-126.

[9] 石東源,熊國江,陳金富,等.基于徑向基函數神經網絡和模糊積分融合的電網分區故障診斷[J].中國電機工程學報,2014,34(4):562-569.

[10] 王一卉,姜長泓.模糊神經網絡專家系統在動力鋰電池組故障診斷中的應用[J].電測與儀表,2015,52(14):118-123.

[11] 程聲烽,程小華,楊 露.基于改進粒子群算法的小波神經網絡在變壓器故障診斷中的應用[J].電力系統保護與控制,2014,42(19):37-42.

[12] 劉景艷.基于改進粒子群神經網絡的提升機故障診斷[J].河南理工大學學報(自然科學版),2014,33(3):313-317.

[13] 雷 斌,陶海龍,徐曉光.基于改進粒子群優化算法的灰色神經網絡的鐵路貨運量預測[J].計算機應用,2012,32(10):2 948-2 951.

[14] 馬軍杰,尤建新,陳 震.基于改進粒子群優化算法的灰色神經網絡模型[J].同濟大學學報(自然科學版),2012,40(5):740-743.

[15] 蔡 玥.短時交通流量預測的IPSO-BPNN算法[J].計算機工程與應用,2012,48(27):239-243.

[16] Xiao Y,He Y,Xiao Y,et al.A linear ridgelet network approach for fault diagnosis of analog circuit[J].Sciece China Information Sciences,2010,53(11):2 251-2 264.

[17] 王元章,吳春華,周笛青,等.基于BP神經網絡的光伏陣列故障診斷研究[J].電力系統保護與控制,2013,41(16):108-114.

【責任編輯：蔣亞儒】

Application of neural network with improved particle swarm optimization algorithm in the transmitter controller fault diagnosis

DANG Hong-she， LIU Fang-fang， ZHANG Chao

(College of Electrical and Information Engineering,Shaanxi University of Science & Technology, Xi′an 710021, China)

To solve the problems of low efficiency and inaccurate positioning for transmitter controller fault diagnosis,an improved particle swarm optimization neural network and expert system fault diagnosis method are used in the fault diagnosis of transmitter controller.Collected three panel circuit of the normal and fault data structure network training respectively,in order to improve the neural network training speed and precision,using improved particle swarm optimization to it.The simulation results show that the fault diagnosis method can diagnose the transmitter controller fault well,provide convenience for the transmitter controller fault diagnosis.

neural network； improved particle swarm algorithm； fault diagnosis； expert system

2017-01-03 基金項目：陜西省科技廳科技攻關計劃項目(2015SF275)

黨宏社(1962-)，男，陜西武功人，教授，博士生導師，研究方向：工業智能控制、多源信息融合、數字圖像處理

1000-5811(2017)02-0154-04

TP18

A